王學偉 董曉璇 袁瑞銘 周麗霞 王 婧 王 琳

?

壓縮感知偽隨機動態(tài)功率信號的電能測量方法

王學偉*①董曉璇①袁瑞銘②周麗霞②王 婧①王 琳①

①(北京化工大學信息科學與技術學院 北京 100029)②(國網(wǎng)冀北電力有限公司電力科學研究院 北京 100045)

針對壓縮感知檢測方法不能準確測量偽隨機動態(tài)測試信號電能量值的問題，該文首先分析了動態(tài)測試信號的頻域稀疏性，證明動態(tài)測試信號滿足壓縮感知檢測的條件；然后采用系統(tǒng)穩(wěn)態(tài)優(yōu)化的方法，構造了一種確定型壓縮感知測量矩陣，證明其符合限制等距特性(RIP)條件，最后提出了一種新型壓縮感知動態(tài)測試信號電能量的測量方法。實驗結果表明：該文壓縮感知測量方法的理論相對誤差優(yōu)于傳統(tǒng)的采樣功率電能測量方法，能夠?qū)崿F(xiàn)m序列動態(tài)測試信號的電能量值準確測量。

壓縮感知；電能測量；壓縮感知測量矩陣；電能量壓縮感知測量方法；偽隨機動態(tài)測試信號

1 引言

2006年Candes等人[1,2]提出了壓縮感知(CS)，建立了一種新型信號描述與處理的理論框架。CS理論采用非自適應線性降維投影降低對稀疏信號的采樣頻率，突破了香農(nóng)采樣定理的極限，并通過不同的重構算法恢復原始信號[3,4]。目前CS信號處理的研究包括醫(yī)療成像[5]、光學成像[6]、無線通信[7]、雷達探測[8]、空天目標成像[9]和圖像壓縮融合[10]領域的圖像重構、數(shù)據(jù)融合干擾抑制等方法，其核心為如何準確地重構原始信號。但是在信號處理中，很多情況不需要重構原始信號，而是要求對信號壓縮采樣值直接處理，檢測信號特征值，即解決非重構信號檢測問題。

在非重構信號檢測方面，2010年Davenport等人[11]首次提出了壓縮檢測(CM)理論，針對加性高斯白噪聲下的二元假設檢測問題，在信號CS域采用高斯測量矩陣建立了數(shù)字通信信號觀測模型，直接對信號壓縮采樣值處理，實現(xiàn)了信號“有”或“無”的非重構檢測[11]。2011年劉冰等人[12]提出了雷達線性調(diào)頻信號CS域數(shù)字特征的CM檢測算法，采用高斯測量矩陣，實現(xiàn)雷達接收反射回波信號的“有”“無”檢測。2012年朱勇剛等人[13]提出了動態(tài)稀疏信號的CM檢測方法，采用高斯測量矩陣直接在CS域提取信號的特征值，實現(xiàn)跳頻信號的二元假設檢測識別。2014年涂思怡等人[14]針對認知無線網(wǎng)絡通信信號，提出了非重構序貫壓縮的隨機信號CM檢測算法，在加性高斯白噪聲信道情況下，實現(xiàn)特定頻段內(nèi)通信信號的二元假設檢測。目前CM方法均采用高斯測量矩陣實現(xiàn)非重構信號的檢測，可解決二元信號的假設檢測問題。

在CS測量矩陣研究方面，目前國內(nèi)外已構造的CS測量矩陣主要分為兩大類：(1)隨機型測量矩陣，如：高斯測量矩陣、貝努利測量矩陣、亞高斯測量矩陣和混沌式濾波測量矩陣等[15]；(2)確定型測量矩陣，如：Toeplitz矩陣、部分傅里葉矩陣、部分哈達瑪矩陣等[15]。隨機型測量矩陣的普適性好，但難以實現(xiàn)隨機信號的量值準確檢測；確定性測量矩陣普適性低，適合特定隨機信號特征值的檢測。

在采樣功率電能測量方面，傳統(tǒng)方法采用數(shù)字信號處理算法完成功率電能量值的測量，如：復化矩形測量算法和復化梯形測量算法等[16]。該方法可實現(xiàn)穩(wěn)態(tài)信號的電能測量，不能解決隨機動態(tài)測試信號電能量值的準確測量問題[17]。

概括上述國內(nèi)外研究現(xiàn)況可知：(1)目前CM非重構信號檢測方法僅解決了二元信號的假設檢測的問題，不能解決偽隨機動態(tài)測試信號量值的準確測量問題；(2)CM非重構信號檢測方法效果與CS測量矩陣的類型相關，目前CM檢測方法均采用高斯測量矩陣，而高斯測量矩陣的缺點是信號測量準確度低；(3)國內(nèi)外相關文獻至今未見偽隨機動態(tài)功率測試信號的電能量測量方法，因此無論在CS信號處理領域，還是在電能測量領域，偽隨機動態(tài)測試信號的電能測量都是有待解決的具有挑戰(zhàn)性的問題。

本文針對電能表動態(tài)誤差測試的偽隨機動態(tài)功率測試信號，首先分析動態(tài)測試信號的稀疏性，然后根據(jù)信號的稀疏性構造一種確定型CS測量矩陣，在此基礎上，研究電能量壓縮感知測量算法，解決偽隨機動態(tài)功率測試信號的電能量值準確測量問題。

2 m序列動態(tài)測試信號的稀疏性分析

2.1 m序列動態(tài)功率測試信號的稀疏性分析

在本文的前期研究工作中，建立了m序列動態(tài)測試信號模型如式(1)：

(1b)

(1c)

(4)

由Wiener-Khinchin定理可知，m序列動態(tài)功率測試信號的自相關函數(shù)與其功率譜是一對傅里葉變換，則對式(5)自相關函數(shù)作傅里葉變換，得到m序列動態(tài)功率測試信號功率譜密度為

(6a)

3 m序列動態(tài)功率測試信號電能量的壓縮感知測量方法

3.1 壓縮感知電能測量方法的系統(tǒng)模型

3.2 壓縮感知測量矩陣的構建與電能量壓縮感知測量算法

對于式(8)測量系統(tǒng)，本文采用系統(tǒng)穩(wěn)態(tài)優(yōu)化的方法構造一種確定型壓縮感知測量矩陣。首先將信號中置“1”，將作為系統(tǒng)優(yōu)化的穩(wěn)態(tài)輸入信號對系統(tǒng)進行優(yōu)化，其次，采用矩陣表示系統(tǒng)狀態(tài)量，將式(8)的CS測量系統(tǒng)的輸入輸出關系表示為卷積的形式：

(10)

根據(jù)式(9)與式(10)之間的關系，可構造壓縮感知測量矩陣的結構為

(12)

(14)

其次，由式(9)，式(12)，式(13)，式(14)建立檢測系統(tǒng)輸入與輸出頻域關系為

同時給出系統(tǒng)的頻域性能指標及約束條件，滿足壓縮感知動態(tài)電能測量值趨近理論電能量值。

(16)

(18)

(20)

將式(21)代入式(11)整理得

(22)

3.3 壓縮感知測量矩陣的RIP證明

式(6a)，式(6b)動態(tài)測試功率信號的功率譜密度表示稀疏基為傅里葉變換基，即

(26)

4 實驗結果與分析

4.1 壓縮感知測量方法實驗結果與分析

為了驗證m序列動態(tài)測試信號模型與CS檢測系統(tǒng)模型的正確性，本實驗研究采用511位m序列，調(diào)制50 Hz的工頻穩(wěn)態(tài)信號，得到m序列動態(tài)電流測試信號及動態(tài)功率測試信號波形如圖1所示。對該測試信號進行離散采樣，采樣頻率，獲得離散動態(tài)電流測試信號，在兩種情況下進行試驗。

(1)實驗分別采用不同的本原多項式系數(shù)產(chǎn)生3種511位單周期m序列動態(tài)功率測試信號，并計算在功率因數(shù)為1和0.5時，壓縮感知測量方法測量3種m序列動態(tài)功率測試信號電能量的誤差，結果如表1所示。

(2)實驗采用表1序號為2的本原多項式系數(shù)產(chǎn)生多周期m序列動態(tài)功率測試信號，并計算壓縮感知測量方法測量多周期m序列動態(tài)功率測試信號電能量的誤差，結果如表2所示。

表1 單周期m序列動態(tài)功率測試信號的測量誤差

測試信號序號m序列本原多項式系數(shù)功率因數(shù)測量相對誤差 11111101011.07.12e-14 21100011011.07.03e-14 31010011011.07.03e-14 41111101010.57.60e-14 51100011010.57.46e-14 61010011010.57.46e-14

表2 多周期m序列動態(tài)功率測試信號的測量誤差

測試信號序號m序列周期個數(shù)功率因數(shù)誤差 121.03.55e-14 231.03.00e-14 341.05.89e-14 420.53.29e-13 530.51.62e-13 640.51.21e-13

由表1、表2可以看出，對于3種不同的單周期m序列動態(tài)功率測試信號，以及6個多周期m序列動態(tài)功率測試信號，壓縮感知測量方法測量電能量的理論誤差優(yōu)于。因此，壓縮感知測量方法能夠準確測量m序列動態(tài)功率測試信號的電能量。

4.2 對比傳統(tǒng)采樣功率電能測量方法的實驗結果與分析

傳統(tǒng)采樣功率電能測量方法采用數(shù)字信號處理算法完成功率電能量值的測量，其功率電能測量算法的表示為

表3 正弦包絡工頻信號實驗的不確定度評估

監(jiān)視儀表測量值理論值相對誤差(%) 標準表B監(jiān)視值功率值(W)108.51110.01.35 標準表A監(jiān)視值功率值(W)108.46110.01.35

由本文壓縮感知測量方法表1和表2的準確度，與表3傳統(tǒng)采樣功率電能測量方法的測量誤差對比表明：本文壓縮感知測量方法的誤差遠小于傳統(tǒng)采樣功率電能測量方法的誤差。

5 結束語

本文提出了一種m序列動態(tài)功率測試信號電能量的CM測量方法，證明了m序列偽隨機動態(tài)功率測試信號的頻域稀疏性。利用該測試信號頻域稀疏性和穩(wěn)態(tài)優(yōu)化方法，構造了一種確定型CS測量矩陣，推導了偽隨機動態(tài)電能值的CM測量算法，解決了偽隨機動態(tài)功率測試信號電能量值的準確測量問題。通過對比傳統(tǒng)采樣功率電能測量方法表明：本文CM測量方法可顯著減小動態(tài)功率測試信號的電能測量誤差。在未來的研究中，將進一步研究三相畸變功率測試信號的結構化模型，以及相應的信號電能量值CM檢測測量方法。

[1] Candes E J, Romberg J, and Tao T. Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information[J]., 2006, 52(2): 489-509.

[2] 焦李成, 楊淑媛, 劉芳, 等. 壓縮感知回顧與展望[J]. 電子學報, 2011, 39(7): 1651-1662.

JIAO Licheng, YANG Shuyuan, LIU Fang,. Development and prospect of compressive sensing[J]., 2011, 39(7): 1651-1662.

[3] Castro R, Haupt J, and Nowak V. Active learning vs. compressive sampling[C]. SPIE Intelligent Integrated Microsystems, Defense and Security Symposium. Orlando, FL, USA, 2006: 6232: 623208-623208-8.

[4] Duarte M, Davenport M, Wakin M,. Sparse signal detection from incoherent projection[C]. IEEE International. Conference. on Acoustics, Speech, and Signal Processing (ICASSP), Toulouse, France, 2006: 305-308.

[5] Haldar J P, Hernando D, and Liang Z P. Compressed－sensing MRI with random encoding[J]., 2011, 30(4): 893-903.

[6] 孫玉寶, 李歡, 吳敏, 等. 基于圖稀疏正則化多測量向量模型的高光譜壓縮感知重建[J].電子與信息學報, 2014, 36(12): 2942-2948. doi: 10.3724/SP.J.1146.2014.00566.

SUN Yubao, LI Huan, WU Min,. Compressed sensing reconstruction of hyper spectral image using the graph sparsity regularized multiple measurement vector model[J].&, 2014, 36(12): 2942-2948. doi: 10.3724/SP.J.1146.2014.00566.

[7] 黃海平, 陳九天, 王汝傳, 等. 無線傳感器網(wǎng)絡中基于數(shù)據(jù)融合樹的壓縮感知算法[J]. 電子與信息學報, 2014, 36(10): 2364-2369. doi: 10.3724/SP.J.1146.2013.01621.

HUANG Haiping, CHEN Jiutian, WANG Ruchuan,. Compressed sensing algorithm based on data fusion tree in wireless sensor networks[J].&, 2014, 36(10): 2364-2369. doi: 10. 3724/SP.J.1146.2013.01621.

[8] 朱曉華. 一種穩(wěn)健的盲稀疏度壓縮感知雷達目標參數(shù)估計方法[J]. 電子與信息學報, 2014, 36(4): 960-966. doi: 10.3724/ SP.J.1146.2013.01007

ZHU Xiaohua. A robust blind sparsity target parameter estimation algorithm for compressive sensing radar[J].&, 2014, 36(4): 960-966. doi: 10.3724/SP.J.1146.2013.01007.

[9] 劉海濤, 張智美, 成瑋, 等. 聯(lián)合壓縮感知與干擾白化的脈沖干擾抑制方法[J]. 北京航空航天大學學報, 2015, 41(8): 1367-1373.

LIU Haitao, ZHANG Zhimei, CHENG Wei,. Implulse interference mitigation mention based on joint compressed sensing and whitening of interference[J]., 2015, 41(8): 1367-1373.

[10] 任越美, 張艷寧, 李映, 等. 壓縮感知及其圖像處理應用研究進展與展望[J]. 自動化學報, 2014, 40(8): 1563-1575.

REN Yuemei, ZHANG Yaning, LI Ying,Advances and perspective on compressed sensing and application on image processing[J]., 2014, 40(8): 1563-1575.

[11] LU W, LIU Y Z, and WANG D S. Efficient feedback scheme based on compressed sensing in MIMO wireless networks[J]., 2013, 39(6): 1587-1600.

[12] 劉冰, 付平, 孟升衛(wèi). 基于采樣值數(shù)字特征的壓縮感知信號檢測方法[J]. 儀器儀表學報, 2011, 32(3): 577-582.

LIU Bing, FU Ping, and MENG Shengwei, Compressive sensing signal detection method base on numerical characteristics of sampling value[J]., 2011, 32(3): 577-582.

[13] 朱勇剛, 李永貴, 郭明. 基于非重構壓縮采樣的動態(tài)稀疏信號快速檢測技術研究[J]. 計算機工程與科學, 2012, 34(4): 123-127.

ZHU Yonggang, LI Yonggui, and GUO Ming. Fast detection of the dynamic sparse signals based on compressive sampling without signal recovery[J].&, 2012, 34(4): 123-127.

[14] 涂思怡, 宋曉勤, 朱勇剛, 等. 認知無線網(wǎng)絡中基于非重構序貫壓縮的隨機信號檢測算法與分析[J]. 信號處理, 2014, 30(2): 205-213.

TU Siyi, SONG Xiaoqin, ZHU Yonggang,. Detection of random signal based on unreconstructed sequential compressive sensing and its analysis in cognitive wireless network[J]., 2014, 30(2): 205-213.

[15] 王學偉, 崔廣偉, 王琳, 等. 基于平衡Gold序列的壓縮感知測量矩陣的構造[J]. 儀器儀表學報, 2014, 35(1): 97-102.

WANG Xuewei, CUI Guangwei, WANG Lin,Construction of measurement matrix in compressed sensing based on balanced Gold sequence[J]., 2014, 35(1): 97-102.

[16] 王學偉. 模擬、數(shù)字及混合采樣功率測量的理論與誤差研究[D]. [博士論文], 哈爾濱理工大學, 2002.

WANG Xuewei. Research on theory and error of analog digital and mixed sampling power measurement[D]. [Ph.D. dissertation], Harbin University of Science and Technology, 2002.

[17] 鄭薦中, 陸祖良, 李敏. 電能表動態(tài)特性實驗研究[J]. 電測與儀表, 2011, 48(3): 1-7.

ZHENG Jianzhong, LU Zuliang, and LI Min. Experimental research for dynamic characteristic of electrical energy meter[J].&2011, 48(3): 1-7.

Compressive Sensing Measurement for Electrical Energy of Pseudo Random Dynamic Test Signal

WANG Xuewei①DONG Xiaoxuan①YUAN Ruiming②ZHOU Lixia②WANG Jing①WANG Lin①

①(,,100029,)②(,,100045,)

Focus on the problem that Compressive Sensing (CS) measurement can not measure the electrical energy of pseudo random dynamic test signal accurately, in this paper, the spectral sparseness of pseudo random dynamic test signal is firstly analyzed, and dynamic test signal satisfies the measurement condition of compressive sensing is proved. Secondly, the system stable state optimization method is used to establish the deterministic compressive sensing measurement matrix, which meets the RIP (Restricted Isometry Property) condition. Finally, a new compressive sensing measurement methed for the electrical energy of pseudo random dynamic electric energy is proposed. The experimental result shows that the theoretical error of the compressive sensing measurement is superior over traditional sample power electrical energy measurement, and it can measure the pseudo random dynamic electrical energy accurately.

Compressive Sensing (CS); Electrical energy measurement; Compressive sensing measurement matrix; Compressive sensing measurement for the electrical energy; Pseudo random dynamic test signal

TP391

A

1009-5896(2017)03-0640-07

10.11999/JEIT160416

2016-04-28；改回日期：2016-09-30；

2016-11-16

王學偉 wangxw@mail.buct.edu.cn

國家自然科學基金(51577006)，國網(wǎng)冀北電力有限公司電力科學研究院項目(8KE000M15015)

The National Natural Science Foundation of China (51577006), The Power Research Institute Foundation of State Grid Jibei Electric Power Company Limited (8KE000M 15015)

王學偉： 男，1958年生，教授、博士生導師，主要研究方向為現(xiàn)代信號處理、壓縮感知信號處理、電力載波通信技術、智能檢測技術等.

董曉璇： 女，1990年生，碩士生，研究方向為現(xiàn)代信號處理與檢測、壓縮感知.